《Signals》：A Review on Image Steganography Techniques: Evolution from Classical to Adaptive Methods
编辑推荐：
图像隐写术是一种信息隐藏技术，旨在在数字环境中传输数据时实现机密性和数据隐私。在过去二十年中，隐写术已从经典的空间域嵌入演变为能够平衡不可感知性、嵌入容量、鲁棒性和安全性的智能自适应隐写系统。研究人员通过将现有技术分类为基于空间域、基于变换域、混合和自适应智能
图像隐写术是一种信息隐藏技术，旨在在数字环境中传输数据时实现机密性和数据隐私。在过去二十年中，隐写术已从经典的空间域嵌入演变为能够平衡不可感知性、嵌入容量、鲁棒性和安全性的智能自适应隐写系统。研究人员通过将现有技术分类为基于空间域、基于变换域、混合和自适应智能技术来呈现这篇综述。该综述遵循PRISMA（系统综述和荟萃分析优先报告条目）方法，使研究纳入和排除的筛选过程透明化。最初，综述包括基于空间域的方法，侧重于更高的嵌入容量和简单的嵌入策略，随后是基于变换域的技术，包括离散余弦变换（DCT）、离散小波变换（DWT）和其他多分辨率小波变换，旨在通过将数据嵌入到频率系数中来增强鲁棒性和不可感知性。研究人员进一步探讨了将这些技术与其他近期趋势相结合以开发自适和混合的方法。这些方法主要集成混沌理论以在嵌入前增强秘密数据的安全性，并集成优化算法如遗传算法（GA）、粒子群优化（PSO）、萤火虫算法等用于自适应嵌入，以实现改进的权衡。最后，研究了基于深度学习模型（如卷积神经网络（CNN）、自编码器（AE）和生成对抗网络（GAN））的智能自适应技术，强调了它们学习智能嵌入策略和抵抗现代隐写分析的能力。论文提供了比较分析，包括技术、优势和局限性，以及性能评估指标的讨论和图像处理攻击下的脆弱性分析。该综述突出了当前趋势，并概述了开发下一代安全图像隐写系统的未来方向。
**1. 引言**
图像隐写术作为一种信息隐藏技术，旨在通过将秘密数据嵌入看似无害的载体介质（如数字图像）中，来隐藏通信的存在性，从而区别于密码学和数字水印。隐写术的基本过程包括选择载体介质、嵌入秘密数据以及接收方提取。该领域的主要分类包括空间域和频率域，其中频率域技术如快速傅里叶变换（FFT）、离散小波变换（DWT）、离散余弦变换（DCT）等可增强鲁棒性。本文的贡献在于：讨论设计挑战，追踪从经典空间域到现代自适应方法的演进，强调通过混沌理论、元启发式优化和神经网络实现的自适应性，并对性能评估指标进行多维探索。
**2. 图像隐写术技术中的设计挑战**
- **2.1. 图像与嵌入域的分析**：图像可在空间域和频率域中表示与分析，秘密数据可据此嵌入，但仍有探索新型表示与嵌入方法的空间。
- **2.2. 颜色模型**：不同颜色模型（如RGB、YCbCr、HSV、CMY等）可用于提高不可感知性，通过识别合适的颜色平面进行嵌入。
- **2.3. 不可感知性、鲁棒性与嵌入容量之间的权衡**：这三个属性相互制约：增加嵌入容量会降低不可感知性，增强鲁棒性往往需要冗余从而限制容量，因此设计需平衡三者。
- **2.4. 安全性**：开发与隐写术协同工作的加扰和加密方法（如混沌映射）是持续挑战。
- **2.5. 嵌入因子**：传统静态嵌入因子可被动态值替代，以根据载体和秘密图像优化性能。
- **2.6. 抗图像处理攻击鲁棒性**：隐藏信息需在裁剪、缩放、旋转、滤波、压缩等操作后保持完整性。
**3. 评估指标**
- **3.1. 不可感知性**：通过峰值信噪比（PSNR）、结构相似性指数（SSIM）、结构内容（SC）、归一化互相关（NCC）和平均差（AD）等指标衡量，高PSNR和SSIM表示良好不可感知性。
- **3.2. 鲁棒性**：通过位错误率（BER）评估，即错误提取比特与总嵌入比特之比，对图像处理攻击（如锐化、直方图均衡、噪声、压缩等）的抗性。
- **3.3. 嵌入容量**：以每像素位数（bpp）表示，需在保持视觉质量的前提下最大化。
- **3.4. 计算成本**：依赖嵌入技术和图像域，实时应用需低时间复杂度。
- **3.5. 数据集**：常用数据集包括ImageNet、BOSSBase（1.0.1版本含10,000张512×512灰度图像）、COCO和CelebA，用于性能评估。
**4. 文献综述**
- **4.1. 基于空间域隐写术技术**：最早的数据隐藏方法，直接修改像素值，优先考虑简单性和高容量但鲁棒性有限。
- **4.1.1. 最低有效位（LSB）替换方法**：通过替换像素最低有效位嵌入，现代改进包括最优像素调整过程（OPAP）、加密集成（如Blowfish、AES）和自适应模式选择。
- **4.1.2. 像素值差分（PVD）方法**：利用相邻像素差值决定嵌入位数，高对比度区域允许更多嵌入，平衡不可感知性与容量。
- **4.1.3. 利用修改方向（EMD）方法**：通过最小化像素修改（每组最多修改一个像素±1）来降低视觉失真，使用模运算和提取函数，实现盲提取和高PSNR。
- **4.1.4. 空间域隐写术脆弱性评估**：LSB方法对高斯噪声、中值滤波和JPEG压缩高度敏感（BER高达0.5以上），仅对低密度椒盐噪声有一定抵抗性，表明需转向变换域方法。
- **4.2. 基于变换域隐写术技术**：通过修改频率系数嵌入，增强鲁棒性。
- **4.2.1. 离散余弦变换（DCT）隐写术**：在量化DCT系数的中频部分嵌入，结合人类视觉系统（HVS）和容量表，但量化引入损失，限制容量。
- **4.2.2. 离散小波变换（DWT）隐写术**：将图像分解为LL、LH、HL、HH子带，在特定子带（如LH2）中嵌入，通过块匹配、奇异值分解（SVD）或遗传算法优化位置，实现盲提取。
- **4.2.3. 其他变换域隐写术**：整数小波变换（IWT）消除舍入误差，适用于可逆处理；轮廓波变换（CT）和曲波变换（CvT）利用多方向多尺度表示，增强边缘和轮廓的嵌入能力。
- **4.2.4. 变换域脆弱性评估**：二级DWT嵌入实验显示，对高斯噪声、中值滤波和JPEG压缩仍有较高BER，但优于空间域，说明需进一步自适应。
- **4.3. 自适应与混合隐写术技术**：结合多种方法以克服单一技术局限。
- **4.3.1. 基于混沌映射的隐写术**：利用混沌映射（如Logistic、Hénon、Lorenz）加密或随机化嵌入位置，增强安全性。但低维混沌映射存在密钥空间小、易受选择明文攻击、非均匀混沌范围和动态退化等缺陷，而超混沌映射（如超Logistic、超Lorenz）提供更大密钥空间和更高灵敏度。
- **4.3.2. 基于优化的隐写术**：使用进化算法（如遗传算法GA）和群智能算法（如粒子群优化PSO、布谷鸟搜索CS、蝙蝠算法等）动态选择嵌入位置和嵌入因子，优化不可感知性、容量和鲁棒性的权衡，但计算复杂度增加。
- **4.4. 基于深度学习的图像隐写术**：实现自动特征提取和自适应嵌入。
- **4.4.1. 卷积神经网络（CNN）隐写术**：如StegNet学习端到端映射，HiDDeN同时训练编码器和解码器，实现高容量和抗检测性。
- **4.4.2. 生成对抗网络（GAN）隐写术**：通过对抗训练生成器（嵌入）和判别器（区分载体与隐写图像），增强不可感知性和安全性，但对未见数据泛化能力有限。
- **4.4.3. 自编码器（AE）隐写术**：编码器-解码器架构，如结合LSB、DCT和Transformer（如StegFormer）实现多图像隐藏，提升鲁棒性。
- **4.4.4. 其他深度学习架构**：Transformer（如Swin Transformer）和扩散模型用于特征提取和生成，通过逆向去噪过程嵌入秘密信息，增强安全性。
- **4.4.5. 比较分析**：深度学习模型训练时间较长（如ResNet-50训练约18小时），推理延迟在毫秒级，但复杂生成模型（GAN、AE）延迟更高，需设计轻量级架构。
- **4.5. 理解权衡：隐写术方法的演进**：传统空间域方法高容量但易被检测；变换域方法增强鲁棒性但降低容量；自适应方法通过优化和混沌映射动态平衡；深度学习实现数据驱动自适应，代表了当前研究方向，但单一方法无法同时优化所有参数，需发展混合、多目标系统。
**5. 隐写术的应用领域**
包括秘密通信、版权保护、隐蔽监控、数字取证、数据存储安全、医疗保健（保护患者图像数据）、数字娱乐（嵌入隐藏信息）、云安全与数据泄露防护、区块链与数字账本系统（集成隐写术与区块链存储元数据）、生物隐写术（利用DNA序列进行高容量嵌入）。
**6. 隐写分析**
旨在检测、修改或破坏隐藏信息。分为主动和被动分析。
- **6.1. 统计攻击**：包括卡方检验、直方图分析和RS分析，通过统计特征检测LSB等嵌入方式。
- **6.2. 视觉攻击**：通过位平面分析和差分图像分析识别嵌入伪影，但对现代方法效果有限。
- **6.3. 空间富模型（SRM）**：通过高通滤波提取噪声残差，构建高维特征向量，使用机器学习分类器区分载体与隐写图像，但高维特征导致计算开销大。
- **6.4. 现代隐写分析：从传统到基于深度学习的转变**：深度学习（CNN、RNN、GAN、AE）将特征提取与分类统一，通过反向传播优化检测性能，使用误报率、漏检率、预测误差和检测准确率（如真正例、假正例等）评估。
**7. 讨论与关键观察**
图像隐写术从简单LSB发展到智能自适应框架，空间域适合高容量但易受攻击，变换域增强鲁棒性，混沌理论引入不可预测性，优化算法动态选择嵌入参数，深度学习实现数据驱动自适应。本文提供统一的多域视角，识别出现代隐写术的三大支柱：混沌随机性、优化驱动嵌入和智能深度学习模型，并指出未来需发展可解释AI、标准化评估框架和应用特定设计。
**8. 结论**
图像隐写术已从经典空间域方法演变为结合变换域、密码学集成和深度学习的混合智能技术。尽管取得了进展，但嵌入容量、不可感知性和鲁棒性之间的优化平衡仍是挑战。未来研究应聚焦于可解释AI模型、标准化评估以及特定应用（如数字取证、安全通信）的设计。
